প্রিন্সিপাল কম্পোনেন্ট অ্যানালাইসিস

EEG-তে প্রিন্সিপাল কম্পোনেন্ট অ্যানালিসিস (PCA) কী?

PCA সম্পর্কে আরও ভালোভাবে বুঝতে, কোনো সিগন্যাল প্রসেসিং হওয়ার আগে র (raw) EEG ডেটা দেখতে কেমন হয় তা কল্পনা করা সহায়ক হতে পারে।

একটি সাধারণ রেকর্ডিংয়ে অনেকগুলো ইলেক্ট্রোড থাকে, যার প্রতিটি সময়ের সাথে সাথে নিজস্ব ভোল্টেজ রিডিংয়ের একটি ধারাবাহিক প্রবাহ তৈরি করে। এই চ্যানেলগুলো একে অপরের থেকে স্বাধীন নয়। যেহেতু তারা সবাই একটি যৌথ, পরিবাহী মাধ্যম (মাথা) থেকে বৈদ্যুতিক কার্যকলাপ গ্রহণ করছে, তাই তাদের সিগন্যালগুলো জটিল উপায়ে একে অপরের ওপর আপতিত (overlap) হয় এবং পরস্পর সম্পর্কিত থাকে।

PCA পরস্পর সম্পর্কিত চ্যানেলগুলোর এই জটিল জটকে গ্রহণ করে এবং সেগুলোকে কম্পোনেন্ট বা উপাদান নামক সিগন্যালের একটি নতুন সেটে পুনর্গঠিত করে। প্রতিটি কম্পোনেন্ট হলো মূল চ্যানেলগুলোর একটি ওজনযুক্ত সংমিশ্রণ (weighted combination), তবে একটি অত্যন্ত গুরুত্বপূর্ণ গাণিতিক বৈশিষ্ট্যসহ: উপাদানগুলো অর্থোগোনাল (orthogonal), অর্থাৎ তারা একে অপরের সাথে সম্পর্কহীন (uncorrelated)।

PCA এই উপাদানগুলোকে তাদের ভ্যারিয়েন্স (variance) বা সামগ্রিক সিগন্যালের বৈচিত্র্য পরিমাণের ভিত্তিতে স্থান বা র‍্যাঙ্ক প্রদান করে। প্রথম উপাদানটি ডেটার ভ্যারিয়েন্সের সবচেয়ে বড় অংশটি ধারণ করে, দ্বিতীয়টি অবশিষ্টগুলোর মধ্যে পরবর্তী বৃহত্তম অংশটি ধারণ করে এবং এভাবে তালিকার নিচের দিকে চলতে থাকে।

আর্টিফ্যাক্টগুলো সাধারণত কীভাবে আচরণ করে, তার কারণে এই র‍্যাঙ্কিং অত্যন্ত গুরুত্বপূর্ণ। উদাহরণস্বরূপ, চোখের পলক ফেলার ফলে বড়, ধীরগতির ভোল্টেজ পরিবর্তন তৈরি হয় যা একসাথে অনেকগুলো ইলেক্ট্রোডে ব্যাপকভাবে ছড়িয়ে পড়ে। যেহেতু এটি বৈচিত্র্যের একটি বড়, যৌথ প্যাটার্ন তৈরি করে, তাই পলক ফেলার কার্যকলাপ সর্বোচ্চ-ভ্যারিয়েন্সযুক্ত উপাদানগুলোতে ঘনীভূত হওয়ার প্রবণতা দেখায়। দুর্বল, আরও স্থানীয় মস্তিষ্কের সিগন্যালগুলো প্রায়শই তালিকার আরও নিচের দিকে, কম-ভ্যারিয়েন্সযুক্ত উপাদানগুলোতে গিয়ে শেষ হয়।

PCA-কে তার কিছু পরিচিত বিকল্প যেমন ইন্ডিপেন্ডেন্ট কম্পোনেন্ট অ্যানালিসিস (ICA) থেকে আলাদা করার একটি বিশদ বিবরণ হলো যে এটি অন্তর্নিহিত উৎসগুলোকে পরিসংখ্যানগতভাবে স্বাধীন (statistically independent) বলে ধরে নেয় না। এর জন্য শুধুমাত্র ফলাফল হিসেবে প্রাপ্ত উপাদানগুলোকে সম্পর্কহীন (uncorrelated) হতে হয়, যা তুলনামূলকভাবে অনেক সহজ একটি শর্ত।

প্রিন্সিপাল কম্পোনেন্ট অ্যানালিসিস (PCA) কীভাবে কাজ করে? ধাপে ধাপে ব্যাখ্যা

ধাপ ১: ডেটা প্রমিতকরণ (Standardize the Data)

একটি জটিল গণনা শুরু করার আগে, ভ্যারিয়েবলগুলোর মধ্যে সমতা নিশ্চিত করতে ইনপুট স্বাভাবিক (normalize) করা আবশ্যক। যদি একটি ভ্যারিয়েবল মাইক্রোভোল্টে এবং অন্যটি মিলিসেকেন্ডে পরিমাপ করা হয়, তবে স্কেলের অশোধিত পার্থক্য ফলাফলকে পক্ষপাতদুষ্ট করবে। প্রতিটি ভ্যারিয়েবলকে শূন্য গড় (mean of zero) এবং এক স্ট্যান্ডার্ড ডেভিয়েশনে (standard deviation of one) স্কেলিং করলে গণিত সমস্ত ইনপুট বৈশিষ্ট্যকে সমান গুরুত্বের সাথে বিবেচনা করতে পারে।

ধাপ ২: কোভ্যারিয়েন্স ম্যাট্রিক্স গণনা (Calculate the Covariance Matrix)

একবার ডেটা প্রমিত হয়ে গেলে, পরবর্তী বাধা হলো বৈশিষ্ট্যগুলোর প্রতিটি জোড়ার মধ্যে সম্পর্ক চিহ্নিত করা। একটি কোভ্যারিয়েন্স ম্যাট্রিক্স এই পারস্পরিক মিথস্ক্রিয়াগুলোকে সংক্ষিপ্ত করে দেখায় কোন ভ্যারিয়েবলগুলো একসাথে চলে এবং কোনগুলো স্বাধীন। এই গ্রিডটি এমন দিকগুলো চিহ্নিত করার ভিত্তি হিসেবে কাজ করে যেখানে ডেটাসেট সবচেয়ে উল্লেখযোগ্য বিস্তার প্রদর্শন করে।

ধাপ ৩: আইগেনভেক্টর এবং আইগেনভ্যালু গণনা (Compute Eigenvectors and Eigenvalues)

এই পর্যায়ে নির্দিষ্ট ভেক্টরগুলো সমাধান করা জড়িত যা ডেটা ডিস্ট্রিবিউশনের আকৃতি চিহ্নিত করে। আইগেনভেক্টর নতুন অক্ষগুলোর দিক নির্ধারণ করে, অন্যদিকে আইগেনভ্যালু সেই নির্দিষ্ট দিক বরাবর প্রাপ্ত ভ্যারিয়েন্সের মাত্রা উপস্থাপন করে। এই গাণিতিক মার্কারগুলো আমাদের মূল ডেটা স্পেসকে চলাচলের প্রাথমিক প্যাটার্ন দ্বারা সংজ্ঞায়িত একটি নতুন কোঅর্ডিনেট সিস্টেমে ঘোরাতে (rotate) সাহায্য করে।

ধাপ ৪: প্রিন্সিপাল কম্পোনেন্ট নির্বাচন (Select Principal Components)

উপাদানগুলো চিহ্নিত করার পর, বিশ্লেষণটি মডেলটিকে কেবল সেগুলোর মধ্যেই সীমাবদ্ধ রাখে যা মোট ভ্যারিয়েন্সের একটি উল্লেখযোগ্য অংশ ব্যাখ্যা করে। এই ফিল্টারিং প্রক্রিয়া নয়েজ-ভারী ভ্যারিয়েবলগুলোকে বাতিল করে এবং নির্দিষ্ট পরিমাণগত থ্রেশহোল্ড অনুযায়ী কেবল সবচেয়ে তথ্যবহুল প্যাটার্নগুলোকে বজায় রাখে।

প্রধান উপাদানগুলোর ওপর কঠোরভাবে মনোযোগ কেন্দ্রীভূত করে, গবেষকরা পরবর্তী প্রক্রিয়াকরণ কাজের কম্পিউটেশনাল বোঝা হ্রাস করেন। এটি নিশ্চিত করে যে চূড়ান্ত মডেলটি রিয়েল-টাইম বিশ্লেষণের জন্য প্রতিক্রিয়াশীল এবং দক্ষ উভয়ই হয়।

ধাপ ৫: মূল ডেটা রূপান্তর (Transform the Original Data)

চূড়ান্ত নির্বাচন সম্পন্ন হওয়ার সাথে সাথে, শেষ ধাপটি হলো মূল পর্যবেক্ষণ বিন্দুগুলোকে এই নতুন অক্ষগুলোতে প্রজেক্ট করা। এই রূপান্তরটি একটি নতুন, হ্রাসকৃত-মাত্রার (reduced-dimension) ডেটাসেট তৈরি করে যা মূল পরিমাপের প্রয়োজনীয় টপোগ্রাফি সংরক্ষণ করে।

পেশাদাররা তখন ক্লাসিফিকেশন বা সোর্স লোকালাইজেশনের মতো ডাউনস্ট্রিম কাজের জন্য এই রূপান্তরিত ভ্যারিয়েবলগুলো ব্যবহার করেন, যা একটি পরিচ্ছন্ন সিগন্যাল উপস্থাপনা থেকে সুবিধা লাভ করে।

EEG প্রিপ্রসেসিং পাইপলাইনে PCA কীভাবে যুক্ত হয়

বাস্তবে, PCA কদাচিৎ একা কাজ করে। এটি সাধারণত একটি বৃহত্তর ক্লিনিং পাইপলাইনের অভ্যন্তরে একটি ধাপ হিসেবে উপস্থিত হয়, যা দুটি কাজের মধ্যে একটি সম্পাদন করে:

1. ডেটার মাত্রা ছোট করা

2. আর্টিফ্যাক্টগুলো কোথায় লুকিয়ে আছে তা সনাক্ত করতে সহায়তা করা

প্রথম ভূমিকাটি হলো ডাইমেনশনালিটি রিডাকশন বা মাত্রা হ্রাস। ডেনসিটি এস্টিমেশন ব্লাইন্ড সোর্স সেপারেশন বা DEBSS নামক একটি কৌশলের সাথে PCA একত্রিত করা একটি গবেষণায়, পরবর্তী বিভাজন ঘটার আগে EEG ডেটাসেটের আকার কমাতে বিশেষভাবে PCA ব্যবহার করা হয়েছিল।

এই পাইপলাইনে, উচ্চ-ফ্রিকোয়েন্সির নয়েজ প্রথমে ওয়েভলেট বিশ্লেষণ ব্যবহার করে ফিল্টার করা হয়েছিল এবং তারপরে অবশিষ্ট উপাদানগুলোকে আলাদা করার জন্য DEBSS দায়িত্ব নেওয়ার আগে “ডেটার মাত্রা হ্রাস করার জন্য EEG সিগন্যালগুলো প্রক্রিয়া করতে PCA অ্যালগরিদম ব্যবহার করা হয়”। ক্রস-কোরিলেশন কোএফিশিয়েন্ট এবং সম্পর্কিত নন-লিনিয়ার প্যারামিটারগুলো ব্যবহার করে ইন্টারফেয়ারেন্স সৃষ্টিকারী উপাদানগুলো চিহ্নিত করার পর, গবেষকরা অবশিষ্ট, তুলনামূলকভাবে পরিষ্কার উপাদানগুলো থেকে সিগন্যাল পুনর্গঠন করেছিলেন।

দ্বিতীয় ভূমিকাটি হলো স্বয়ং আর্টিফ্যাক্ট সনাক্তকরণ, এবং এটি আর্টিফ্যাক্ট সাবস্পেস রিকনস্ট্রাকশন বা ASR নামক বহুল ব্যবহৃত একটি পদ্ধতির মধ্যে উপস্থিত হয়। ASR ক্রমাগত EEG ডেটার সংক্ষিপ্ত উইন্ডোগুলো বিশ্লেষণ করে এবং “পরিষ্কার” কার্যকলাপের একটি বেসলাইনের সাথে সেগুলোর তুলনা করে কাজ করে।

এই পদ্ধতির একটি রিম্যানিয়ান সংস্করণ উপস্থাপনকারী একটি 2019 সালের গবেষণা অনুসারে, ASR “কম্পোনেন্ট সাবস্পেসে তাদের পরিসংখ্যানগত বৈশিষ্ট্যের ভিত্তিতে আর্টিফ্যাক্ট সনাক্ত করতে কোভ্যারিয়েন্স ম্যাট্রিক্সের ওপর বারবার একটি PCA গণনা করে”। এখানে, PCA সুবিধার জন্য চ্যানেলের সংখ্যা হ্রাস করছে না। এটি এমন একটি ইঞ্জিন হিসেবে কাজ করছে যা মুহূর্তে মুহূর্তে সিদ্ধান্ত নেয় যে ডেটার একটি অংশ পরিসংখ্যানগতভাবে স্বাভাবিক নাকি কোনো আর্টিফ্যাক্টের মতো দেখাচ্ছে।

একত্রে বিবেচনা করলে, এই দুটি উদাহরণ নির্দেশ করে যে PCA একটি ক্লিনিং কৌশলের অংশ, নিজের মধ্যে কোনো সম্পূর্ণ ক্লিনিং কৌশল নয়। এটি সাধারণত অন্য কোনো অ্যালগরিদমের কাছে তার আউটপুট হস্তান্তর করে, তা সে DEBSS হোক, একটি রিম্যানিয়ান জিওমেট্রি অ্যাডাপ্টেশন হোক বা অন্য কোনো সিদ্ধান্ত গ্রহণ প্রক্রিয়া হোক যা নির্ধারণ করে যে কোন উপাদানগুলো আসলে সরানো হবে।

PCA কি EEG আর্টিফ্যাক্টগুলোকে আলাদা করতে পারে? প্রমাণ যা দেখায়

আর্টিফ্যাক্ট পৃথকীকরণে PCA-এর আকর্ষণের পেছনের যুক্তি বেশ সহজবোধ্য। যেহেতু PCA ভ্যারিয়েন্স অনুসারে উপাদানগুলোকে সাজায় এবং যেহেতু চোখের পলক ও পেশীর কার্যকলাপ অতিরিক্ত ভোল্টেজ পরিবর্তন তৈরি করে, তাই নিউরোসায়েন্সের তত্ত্ব বলে যে এই আর্টিফ্যাক্টগুলো স্বাভাবিকভাবেই শীর্ষ কয়েকটি উপাদানে স্থান পাওয়া উচিত। যদি এটি সত্য হয়, তবে একজন গবেষক নীতিগতভাবে প্রতিটি মস্তিষ্কের উৎসের সুনির্দিষ্ট পরিসংখ্যানগত স্বাধীনতা মডেল করার প্রয়োজন ছাড়াই সবচেয়ে খারাপ ইন্টারফেয়ারেন্স দ্রুত আলাদা এবং বাতিল করতে পারেন।

পূর্বে বর্ণিত PCA-প্লাস-DEBSS পাইপলাইন পরীক্ষা করা গবেষণাটি জানিয়েছে যে সম্মিলিত পদ্ধতিটি “মাল্টি-চ্যানেল EEG সিগন্যালের প্রধান ইন্টারফেয়ারেন্স দ্রুত এবং কার্যকরভাবে দূর করতে পারে,” এবং সাথে এটিও উল্লেখ করেছে যে পদ্ধতিটি “স্থিতিশীল এবং এর শক্তিশালী স্কেলেবিলিটি রয়েছে।” এটি একটি ইতিবাচক ফলাফল, তবে ঠিক কী পরীক্ষা করা হয়েছিল তা লক্ষ্য করা গুরুত্বপূর্ণ: একটি নির্দিষ্ট দ্বি-ধাপের পাইপলাইন, আলাদাভাবে পরিচালিত PCA নয়।

উল্লিখিত 2019 সালের গবেষণাটি আরও কাঠামোগত তুলনামূলক পদ্ধতি গ্রহণ করেছিল। গবেষকরা rASR নামক ASR-এর একটি রিম্যানিয়ান-জিওমেট্রি-ভিত্তিক সংস্করণ তৈরি করেছিলেন এবং 27 জন অংশগ্রহণকারীর সাথে ইনডোর এবং আউটডোর উভয় পরিস্থিতিতে স্মার্টফোনে রেকর্ড করা EEG ব্যবহার করে স্ট্যান্ডার্ড PCA-ভিত্তিক ASR পদ্ধতির বিপরীতে এটি পরীক্ষা করেছিলেন।

তারা তিনটি পৃথক পরিমাপের মাধ্যমে পারফরম্যান্স মূল্যায়ন করেছিলেন:

1. প্রতিটি পদ্ধতি চোখের পলকের আর্টিফ্যাক্ট কতটা ভালোভাবে কমিয়েছে (সংবেদনশীলতা বা sensitivity)

2. প্রতিটি পদ্ধতি ভিজ্যুয়াল-ইভোকড পটেনশিয়াল কতটা ভালোভাবে সংরক্ষণ করেছে, যা চাক্ষুষ উদ্দীপনার প্রতি মস্তিষ্কের প্রতিক্রিয়া (নির্দিষ্টতা বা specificity)

3. প্রতিটি পদ্ধতি কত দ্রুত কাজ করেছে (দক্ষতা বা efficiency)

লেখকের সিদ্ধান্ত অনুসারে, স্ট্যান্ডার্ড ASR-এর তুলনায় rASR “তিনটি পরিমাপেই অনুকূল পারফরম্যান্স দেখিয়েছে”।

এই ফলাফলগুলো PCA-ভিত্তিক আর্টিফ্যাক্ট পরিচালনার জন্য উৎসাহব্যঞ্জক, তবে এগুলোর পেছনের প্রমাণের ভিত্তি সংকীর্ণ। এগুলো অর্থপূর্ণ, কার্যকর প্রাথমিক অনুসন্ধান, তবে PCA সমস্ত EEG প্রেক্ষাপটে নির্ভরযোগ্যভাবে আর্টিফ্যাক্ট আলাদা করে এমন একটি ব্যাপকভাবে বৈধ দাবির সমতুল্য এখনও নয়।

PCA বনাম ICA বনাম ফিল্টারিং: সঠিক টুল নির্বাচন

EEG গবেষকদের কাছে ডেটা পরিষ্কার করার জন্য বেশ কয়েকটি টুল উপলব্ধ রয়েছে এবং PCA সেগুলোর মধ্যে একটি নির্দিষ্ট স্থান দখল করে আছে।

ফিল্টারিং, যার মধ্যে হাই-পাস, লো-পাস এবং নচ ফিল্টার অন্তর্ভুক্ত রয়েছে, সম্পূর্ণ ফ্রিকোয়েন্সি ব্যান্ডগুলো সরিয়ে বা কমিয়ে দিয়ে কাজ করে। এটি বৈদ্যুতিক লাইনের নয়েজের মতো স্থির ইন্টারফেয়ারেন্স দূর করার জন্য কার্যকর, তবে একটি আর্টিফ্যাক্ট এবং একটি মস্তিষ্কের সিগন্যাল যখন একই ফ্রিকোয়েন্সি রেঞ্জ শেয়ার করে তখন এটি একটি কঠোর সীমার মুখোমুখি হয়।

উদাহরণস্বরূপ, একটি পলক ধীরগতির ব্রেন ওয়েভের সাথে ফ্রিকোয়েন্সিতে মিলে যেতে পারে এবং একটি ফিল্টার তাদের আলাদা করতে পারে না কারণ এটি কেবল ফ্রিকোয়েন্সি দেখে, চ্যানেল জুড়ে ভ্যারিয়েন্সের প্যাটার্ন নয়। PCA সম্পূর্ণ ভিন্ন অক্ষে কাজ করে কারণ এটি পুরো ইলেক্ট্রোড সেট জুড়ে সিগন্যালের পরিবর্তনশীলতা কীভাবে বণ্টিত হয় তা দেখে, ফ্রিকোয়েন্সি সামগ্রী নয়। এটি ফিল্টারিংয়ের সরাসরি বিকল্প না হয়ে একটি পরিপূরক পদ্ধতি হিসেবে কাজ করে।

অন্যদিকে, ICA-কে প্রায়শই PCA-এর সাথে একইভাবে উল্লেখ করা হয়, তবে দুটি পদ্ধতি বিভিন্ন অনুমানের ওপর ভিত্তি করে দাঁড়িয়ে আছে। ICA এমন উপাদানগুলো অনুসন্ধান করে যা একে অপরের থেকে পরিসংখ্যানগতভাবে স্বাধীন, যা PCA-এর সরল ডিকরিলেশনের শিথিল শর্তের চেয়ে অনেক বেশি শক্তিশালী এবং কম্পিউটেশনালভাবে চাহিদাপূর্ণ একটি প্রয়োজনীয়তা।

যেহেতু ICA-কে এই কঠোর ধরণের পৃথকীকরণের জন্য আরও গভীরভাবে অনুসন্ধান করতে হয়, তাই এতে আরও বেশি কম্পিউটিং সময় এবং আরও বেশি ডেটা প্রয়োজন হয়। গাণিতিকভাবে সহজ হওয়ায় PCA দ্রুততর এবং এর কোনো স্বাধীনতার প্রয়োজন হয় না, কেবল ফলাফল হিসেবে প্রাপ্ত উপাদানগুলো সম্পর্কহীন হতে হয়।

কম্পিউটেশনাল খরচের এই পার্থক্যের কারণেই PCA ঘন ঘন ICA-এর বিকল্প হিসেবে নয় বরং এর পূর্ববর্তী একটি প্রস্তুতিমূলক ধাপ হিসেবে উপস্থিত হয়। প্রথমে PCA দিয়ে মাত্রার সংখ্যা হ্রাস করা একটি ICA রানকে ত্বরান্বিত করতে পারে এবং ডেটা সীমিত হলে ওভারফিটিংয়ের ঝুঁকি কমাতে পারে। বিকল্পভাবে, PCA একটি প্রাথমিক স্থূল পদক্ষেপ হিসেবে কাজ করতে পারে, আরও সূক্ষ্ম পদ্ধতি বাকি অংশটি নিখুঁত করার আগে সবচেয়ে প্রভাবশালী, সুস্পষ্ট আর্টিফ্যাক্টগুলো দূর করে।

PCA-ভিত্তিক আর্টিফ্যাক্ট অপসারণের সীমাবদ্ধতা

PCA-এর সরলতাই এর দুর্বলতার উৎস। এটি প্রায়শই নির্ধারিত আর্টিফ্যাক্ট-বিচ্ছিন্নকরণের কাজটি কতটা ভালোভাবে সম্পাদন করে সে সম্পর্কে বেশ কয়েকটি অমীমাংসিত প্রশ্ন রয়ে গেছে।

“আর্টিফ্যাক্ট”-এর নিখুঁত বিকল্প হিসেবে ভ্যারিয়েন্স কাজ করতে পারে না। মস্তিষ্কের নির্দিষ্ট কিছু ছন্দ, যেমন পোস্টেরিয়র আলফা অ্যাক্টিভিটি (একটি সুপরিচিত EEG ছন্দ যা শিথিল, চোখ বন্ধ অবস্থার সাথে যুক্ত), নিজস্বভাবেই উচ্চ-মাত্রার সিগন্যাল তৈরি করতে পারে। এমন একটি পদ্ধতি যা অনুমান করে যে উচ্চ ভ্যারিয়েন্স মানেই সর্বদা আর্টিফ্যাক্ট, তা যে নয়েজ দূর করার কথা ছিল তার সাথে আসল মস্তিষ্কের কার্যকলাপও বাতিল করে দেওয়ার ঝুঁকি তৈরি করে।

অন্য দিক থেকে, চোখের পলকের আর্টিফ্যাক্টগুলো সর্বদা একটি একক উপাদানের মধ্যে সুন্দরভাবে সীমাবদ্ধ থাকে না; তাদের প্রভাব একসাথে বেশ কয়েকটি উপাদান জুড়ে ছড়িয়ে পড়তে পারে, যা যেকোনো সহজ “শীর্ষ উপাদানটি সরিয়ে ফেলার” কৌশলকে জটিল করে তোলে।

এখানে বিবেচনা করার মতো একটি কাঠামোগত অমিলও রয়েছে। PCA গাণিতিক সংজ্ঞা অনুসারে এর উপাদানগুলোকে একে অপরের সাথে অর্থোগোনাল হতে বাধ্য করে। কিন্তু EEG সিগন্যাল তৈরি করে এমন প্রকৃত শারীরিক উৎসগুলো—সেগুলো স্নায়বিক সার্কিট হোক বা মাথার ত্বকের কাছের পেশী গোষ্ঠী হোক—এই অর্থোগোনাল জ্যামিতির সাথে মেলে এমনভাবে সাজানো আছে তার কোনো নিশ্চয়তা নেই।

যখন অনুমানটি অন্তর্নিহিত বাস্তবতার সাথে মেলে না, তখন PCA যে পৃথকীকরণ তৈরি করে তা টিস্যুতে আসলে যা ঘটছে তার সঠিক প্রতিচ্ছবি না হয়ে একটি গাণিতিক সুবিধা মাত্র হতে পারে।

EEG বিশ্লেষণে PCA ব্যবহারের ব্যবহারিক পরামর্শ

প্রথমবারের মতো একটি EEG ডেটাসেট অন্বেষণকারী কারো জন্য, PCA একটি যুক্তিসঙ্গত প্রারম্ভিক বিন্দু হিসেবে কাজ করে, বিশেষ করে কোনো নির্দিষ্ট রেকর্ডিংয়ে কোন বৈচিত্র্যের প্যাটার্নগুলো প্রাধান্য বিস্তার করছে তা দেখার উপায় হিসেবে। এখানে কিছু টিপস রয়েছে যা প্রায়শই সুপারিশ করা হয়:

• চূড়ান্ত ক্লিনিং প্রক্রিয়া হিসেবে নয়, বরং মাত্রা হ্রাস করতে বা প্রভাবশালী আর্টিফ্যাক্ট প্যাটার্নগুলো চিহ্নিত করতে একটি প্রাথমিক ধাপ হিসেবে PCA ব্যবহার করুন।

• PCA-কে পরবর্তী কোনো পদ্ধতির (যেমন ICA, DEBSS, ASR) সাথে একত্রিত করুন যা কোন উপাদানগুলো সরাতে হবে তা নির্ধারণ করতে পারে।

• বাতিল করা উপাদানগুলো সত্যিই আর্টিফ্যাক্ট উপস্থাপন করে কিনা তা যাচাই করতে সর্বদা সেগুলোর স্ক্যাল্প টপোগ্রাফি এবং টাইম কোর্স চাক্ষুষভাবে পরিদর্শন করুন।

• রেকর্ডিং পরিবেশের (ল্যাব বনাম মোবাইল) ফলাফলের পরিবর্তনশীলতাকে সতর্কতার সাথে বিবেচনা করুন এবং আপনার নিজের ডেটাতে তা যাচাই করুন।

Emotiv-ভিত্তিক EEG গবেষণায় প্রিন্সিপাল কম্পোনেন্ট অ্যানালিসিস

Emotiv headset বেশ কয়েকটি পিয়ার-রিভিউড গবেষণায় ব্যবহৃত হয়েছে যেখানে প্রিন্সিপাল কম্পোনেন্ট অ্যানালিসিস একটি মূল কম্পিউটেশনাল পদ্ধতি হিসেবে কাজ করে, যা ক্লাসিফিকেশন, সেন্সর নির্বাচন, প্রিপ্রসেসিং এবং সিগন্যালের গুণমান বৃদ্ধির ক্ষেত্রে এই কৌশলের বহুমুখী ব্যবহার চিত্রিত করে।

P300 স্পেলার নির্ভুলতার জন্য PCA এনসেম্বল ক্লাসিফায়ার

পরিধানযোগ্য BCI উন্নয়নে দক্ষ সিগন্যাল প্রসেসিং প্রয়োজন, এবং একটি গবেষণা Emotiv নিউরোহেডসেট দিয়ে রেকর্ড করা P300-ভিত্তিক স্পেলারের জন্য একটি PCA এনসেম্বল ক্লাসিফায়ার মূল্যায়ন করেছে। একটি ক্লাসিক্যাল অডবল প্যারাডাইম ব্যবহার করে, লেখকরা তাদের এনসেম্বল পদ্ধতিটিকে প্রথাগত বৈশিষ্ট্য নিষ্কাশন এবং ক্লাসিফিকেশন পদ্ধতির সাথে তুলনা করেছেন।

ক্রস-ভ্যালিডেশন ডেটাতে PCA এনসেম্বল গড়ে 86.29% নির্ভুলতা অর্জন করেছে, যেখানে অফলাইন টেস্টিং প্রচলিত পদ্ধতির তুলনায় উল্লেখযোগ্যভাবে উচ্চতর 73.3% গড় ক্লাসিফিকেশন নির্ভুলতা প্রদান করেছে। ফলাফলগুলো একটি মোবাইল, কনজিউমার-গ্রেড EEG ডিভাইস থেকে P300 ডেটা প্রক্রিয়া করার জন্য একটি কার্যকর কৌশল হিসেবে PCA-ভিত্তিক এনসেম্বল ক্লাসিফিকেশনকে নির্দেশ করে।

PCA দিয়ে বায়োমেট্রিক সনাক্তকরণের জন্য ন্যূনতম EEG সেন্সর নির্বাচন

স্বাতন্ত্র্যসূচক তথ্য ত্যাগ না করে ইলেক্ট্রোডের সংখ্যা হ্রাস করা বায়োমেট্রিক সিস্টেমের জন্য একটি ব্যবহারিক চ্যালেঞ্জ। গবেষকরা Emotiv EPOC+ headset এবং একটি বৃহত্তর পাবলিক ডেটাসেট ব্যবহার করে ব্যক্তি সনাক্তকরণের জন্য ন্যূনতম EEG সেন্সর নির্বাচন পরীক্ষা করেছেন। দুটি হ্রাস পদ্ধতি প্রয়োগ করা হয়েছিল: একটি প্রিন্সিপাল কম্পোনেন্ট অ্যানালিসিসের ওপর ভিত্তি করে এবং অন্যটি উইলকক্সন সাইনড-র‍্যাঙ্ক টেস্টের ওপর।

গবেষণায় বলা হয়েছে যে উভয় পদ্ধতিই নির্ভরযোগ্য ব্যক্তিগত সনাক্তকরণের জন্য প্রয়োজনীয় ন্যূনতম ইলেক্ট্রোড সেট চিহ্নিত করতে সক্ষম করেছে, যেখানে পৃথকীকরণযোগ্য প্যাটার্নে কোন কর্টিক্যাল এলাকাগুলো সবচেয়ে বেশি অবদান রাখে তা চিহ্নিত করতে PCA সাহায্য করেছে। এটি ল্যাবরেটরি কনফিগারেশনগুলোকে সহজ, আরও ব্যবহারিক সেন্সর মন্টেজে রূপান্তরিত করার ক্ষেত্রে PCA-এর ডাইমেনশনালিটি-রিডাকশন ভূমিকা প্রদর্শন করে।

আর্টিফ্যাক্ট অপসারণের জন্য CSP এবং CAR-এর সাথে PCA-এর তুলনা

একটি প্রিপ্রসেসিং পাইপলাইন তুলনা ক্লাসিফিকেশনের আগে বিভিন্ন অ্যালগরিদম সিগন্যাল কতটা ভালোভাবে পরিষ্কার করে তা মূল্যায়ন করতে Emotiv EPOC দিয়ে EEG রেকর্ড করেছে। প্রিপ্রসেসিং অ্যালগরিদমের একটি তুলনায়, আর্টিফ্যাক্ট অপসারণের জন্য কমন স্প্যাশিয়াল প্যাটার্ন (CSP) এবং কমন অ্যাভারেজ রেফারেন্স (CAR)-এর পাশাপাশি প্রিন্সিপাল কম্পোনেন্ট অ্যানালিসিস পরীক্ষা করা হয়েছিল, যার পরে পাওয়ার স্পেকট্রাল ডেনসিটি বৈশিষ্ট্যগুলো একটি সাপোর্ট ভেক্টর মেশিন ক্লাসিফায়ারে ইনপুট দেওয়া হয়েছিল।

লেখকরা লক্ষ্য করেছেন যে PCA 94.28% পারফরম্যান্স প্রদান করেছে, যা তাদের সেটআপে অন্যান্য অ্যালগরিদমগুলোকে ছাড়িয়ে গেছে। এটি নির্দেশ করে যে কনজিউমার-গ্রেড EEG হার্ডওয়্যারের সাথে কাজ করার সময় PCA একটি প্রিপ্রসেসিং চেইনের একটি কার্যকর উপাদান হিসেবে কাজ করতে পারে।

যৌথ ছন্দ নিষ্কাশন বৃদ্ধি: PCA বনাম কোসাম্বি-হিলবার্ট টরশন

যখন একাধিক EEG সেন্সর দোলনশীল কার্যকলাপ ধারণ করে, তখন উচ্চ সিগন্যাল-টু-নয়েজ অনুপাতসহ একটি ভাগ করা ছন্দ নিষ্কাশন প্রায়শই বাঞ্ছনীয় হয়। Emotiv EPOC+ এর মাধ্যমে যৌথ ছন্দের গুণমান উন্নত করার একটি গবেষণায় ঐতিহ্যবাহী প্রিন্সিপাল কম্পোনেন্ট অ্যানালিসিসকে কোসাম্বি-হিলবার্ট টরশন (KHT) পদ্ধতির সাথে তুলনা করা হয়েছে। চোখ বন্ধ করে বিশ্রামের সময় এবং 15 Hz-এ ফ্লিকার হওয়া একটি স্ক্রিন দেখার সময় ডেটা রেকর্ড করা হয়েছিল।

গবেষকরা জানিয়েছেন যে KHT যৌথ সিগন্যালের জন্য PCA-এর চেয়ে উন্নত সিগন্যাল-টু-নয়েজ অনুপাত অর্জন করেছে, বিশেষ করে যখন চ্যানেল জুড়ে এলোমেলো টেম্পোরাল শিফট আনা হয়েছিল। কাজটি প্রমাণ করে যে সাধারণ ছন্দ নিষ্কাশনের জন্য PCA একটি সহজ বেসলাইন প্রদান করলেও, ফেজ-সচেতন পদ্ধতিগুলো আগ্রহের সিগন্যালকে আরও বিবর্ধিত করতে পারে।

একত্রে নেওয়া হলে, এই গবেষণাগুলো তুলে ধরে যে কীভাবে প্রিন্সিপাল কম্পোনেন্ট অ্যানালিসিস Emotiv হার্ডওয়্যার ব্যবহার করে ক্লাসিফিকেশন এবং বায়োমেট্রিক সনাক্তকরণ থেকে শুরু করে প্রিপ্রসেসিং এবং ছন্দ নিষ্কাশন পর্যন্ত সম্পূর্ণ ভিন্ন ভিন্ন EEG কাজের মধ্যে পরিচালিত হয়। ফলাফলগুলো তাদের নির্দিষ্ট অবস্থার মধ্যে আশাব্যঞ্জক, তবুও সেগুলো নির্দিষ্ট প্যারাডাইম, তুলনামূলকভাবে ছোট নমুনার আকার এবং অফলাইন বিশ্লেষণের মধ্যেই সীমাবদ্ধ রয়েছে। ফলাফলগুলো EEG গবেষণা পাইপলাইনে একটি বহুমুখী টুল হিসেবে PCA-কে সমর্থন করে, তবে তারা এখনও রিয়েল-টাইম, স্বল্পমূল্যের BCI অ্যাপ্লিকেশনগুলোর জন্য একটি সার্বজনীন সমাধান প্রতিষ্ঠা করে না।

উপসংহার: PCA কি একটি নির্ভরযোগ্য EEG ক্লিনিং পদ্ধতি?

PCA বিশৃঙ্খল ব্রেনওয়েভ ডেটাকে র‍্যাঙ্কযুক্ত উপাদানে রূপান্তরিত করে, যা গবেষকদের একটি রেকর্ডিংয়ের সবচেয়ে নয়েজপূর্ণ অংশগুলোকে দ্রুত চিহ্নিত করার একটি সহজ উপায় দেয়। এই পদ্ধতিটি বিশেষভাবে কার্যকর যখন চোখের পলক বা পেশীর নড়াচড়া সিগন্যালে আধিপত্য বিস্তার করে, কারণ সেগুলো প্রায়শই সর্বোচ্চ-ভ্যারিয়েন্সযুক্ত স্লটগুলোতে চলে আসে।

কিন্তু আসল মস্তিষ্কের ছন্দও শক্তিশালী সিগন্যাল তৈরি করতে পারার কারণে, কোনটি আর্টিফ্যাক্ট এবং কোনটি মূল্যবান নিউরাল ডেটা তা একা সিদ্ধান্ত নেওয়ার জন্য এই পদ্ধতির ওপর পুরোপুরি নির্ভর করা যায় না।

তথ্যসূত্র

1. Kang, D., & Zhizeng, L. (2012, March). A method of denoising multi-channel EEG signals fast based on PCA and DEBSS algorithm. In 2012 International Conference on Computer Science and Electronics Engineering (Vol. 3, pp. 322-326). IEEE. https://doi.org/10.1109/ICCSEE.2012.105

2. Blum, S., Jacobsen, N. S. J., Bleichner, M. G., & Debener, S. (2019). A Riemannian Modification of Artifact Subspace Reconstruction for EEG Artifact Handling. Frontiers in human neuroscience, 13, 141. https://doi.org/10.3389/fnhum.2019.00141

সচরাচর জিজ্ঞাস্য প্রশ্নাবলী

EEG-এর প্রেক্ষাপটে প্রিন্সিপাল কম্পোনেন্ট অ্যানালিসিস (PCA) কী?

PCA হলো একটি গাণিতিক পদ্ধতি যা মাল্টিচ্যানেল EEG ডেটাকে কম্পোনেন্ট নামক সিগন্যালের একটি নতুন সেটে পুনর্গঠিত করে, যা একে অপরের সাথে সম্পর্কহীন। এটি এই উপাদানগুলোকে তারা কতটা ভ্যারিয়েন্স ধারণ করে সে অনুযায়ী সাজায়, যেখানে প্রথম উপাদানটি সর্বাধিক সামগ্রিক সিগন্যাল বৈচিত্র্য ব্যাখ্যা করে।

EEG ডেটা থেকে আর্টিফ্যাক্ট অপসারণে PCA কীভাবে সাহায্য করে?

যেহেতু চোখের পলকের মতো আর্টিফ্যাক্টগুলো বড়, বিস্তৃত ভোল্টেজ পরিবর্তন তৈরি করে, তাই সেগুলো সর্বোচ্চ-ভ্যারিয়েন্সযুক্ত উপাদানগুলোতে ঘনীভূত হতে থাকে। ভ্যারিয়েন্স অনুযায়ী PCA-এর র‍্যাঙ্কিং গবেষকদের সেই শীর্ষ উপাদানগুলোকে চিহ্নিত করতে এবং সম্ভাব্যভাবে বাতিল করতে সাহায্য করে, যা প্রায়শই সবচেয়ে বিঘ্নকারী নয়েজ ধারণ করে।

PCA কি EEG সিগন্যাল পরিষ্কার করার জন্য একা কাজ করে?

না, PCA কদাচিৎ একটি স্বতন্ত্র ক্লিনিং সমাধান হিসেবে ব্যবহৃত হয়। এটি সাধারণত একটি বৃহত্তর পাইপলাইনের মধ্যে একটি পদক্ষেপ হিসেবে কাজ করে, হয় DEBSS-এর মতো অন্য কোনো পদ্ধতি প্রয়োগ করার আগে ডেটার মাত্রা হ্রাস করে, অথবা আর্টিফ্যাক্ট সাবস্পেস রিকনস্ট্রাকশন (ASR)-এর মতো ফ্রেমওয়ার্কের ভেতরে ডিটেকশন ইঞ্জিন হিসেবে কাজ করে।

আর্টিফ্যাক্ট অপসারণের ক্ষেত্রে PCA এবং ICA-এর মধ্যে পার্থক্য কী?

PCA-এর ক্ষেত্রে কেবল প্রাপ্ত উপাদানগুলোকে সম্পর্কহীন হতে হয়, যা তুলনামূলকভাবে একটি শিথিল গাণিতিক শর্ত, অন্যদিকে ICA এমন উপাদানগুলোর সন্ধান করে যা পরিসংখ্যানগতভাবে স্বাধীন, যা আরও কঠোর এবং কম্পিউটেশনালভাবে চাহিদাপূর্ণ একটি প্রয়োজনীয়তা। PCA দ্রুততর এবং প্রায়শই ICA-এর বিকল্প হিসেবে নয় বরং এর পূর্ববর্তী একটি প্রস্তুতিমূলক ধাপ হিসেবে ব্যবহৃত হয়।

PCA কি আর্টিফ্যাক্টের সাথে দুর্ঘটনাবশত আসল মস্তিষ্কের কার্যকলাপও সরিয়ে ফেলতে পারে?

হ্যাঁ, যেহেতু PCA আর্টিফ্যাক্ট সনাক্ত করতে ভ্যারিয়েন্সের ওপর নির্ভর করে, তাই পোস্টেরিয়র আলফা অ্যাক্টিভিটির মতো উচ্চ-মাত্রার মস্তিষ্কের ছন্দকে ভুলবশত নয়েজ হিসেবে বিবেচনা করা হতে পারে। উপরন্তু, আর্টিফ্যাক্টগুলো একাধিক উপাদান জুড়ে ছড়িয়ে পড়তে পারে, তাই কেবল শীর্ষ উপাদানটি সরিয়ে দিলে প্রকৃত নিউরাল সিগন্যালও বাতিল হয়ে যেতে পারে।

EEG ক্লিনিংয়ের জন্য ফ্রিকোয়েন্সি ফিল্টারিংয়ের সাথে PCA কীভাবে তুলনাযোগ্য?

ফ্রিকোয়েন্সি ফিল্টারিং নির্দিষ্ট ফ্রিকোয়েন্সি ব্যান্ডে সিগন্যাল শক্তি সরিয়ে দেয় বা কমিয়ে দেয়, তবে এটি এমন একটি আর্টিফ্যাক্ট এবং মস্তিষ্কের সিগন্যালকে আলাদা করতে পারে না যা একই ফ্রিকোয়েন্সি শেয়ার করে। PCA এর পরিবর্তে সমস্ত ইলেক্ট্রোড জুড়ে ভ্যারিয়েন্সের প্যাটার্ন দেখে, যা এটিকে একটি পরিপূরক পদ্ধতি করে তোলে যা ডেটার একটি ভিন্ন মাত্রা সমাধান করে।

একজন গবেষকের কীভাবে একটি EEG প্রিপ্রসেসিং ওয়ার্কফ্লোতে নিরাপদে PCA ব্যবহার করা উচিত?

PCA অন্যান্য পদ্ধতি প্রয়োগ করার আগে মাত্রা হ্রাসের ধাপ হিসেবে ব্যবহার করা যেতে পারে, অথবা কোনো রেকর্ডিংয়ে কোন প্যাটার্নগুলো প্রাধান্য পাচ্ছে তা পরিদর্শনের সহায়ক হিসেবে ব্যবহার করা যেতে পারে। গবেষকদের উচিত কেবল ভ্যারিয়েন্স র‍্যাঙ্কিংয়ের ওপর অন্ধভাবে বিশ্বাস না করে, যে উপাদানগুলো তারা বাতিল করার পরিকল্পনা করছেন সেগুলোর স্ক্যাল্প টপোগ্রাফি এবং টাইম কোর্স পরীক্ষা করে দৃশ্যত পরিদর্শন করা।